python - 在 pandas DataFrame 中检查 dtype 时的注意事项

问题描述

在这个答案的指导下，我开始建立管道来根据其 dtype 处理数据帧的列。但是在得到一些意外的输出和一些调试之后，我最终得到了测试数据帧和测试数据类型检查：

# Creating test dataframe
test = pd.DataFrame({'bool' :[False, True], 'int':[-1,2],'float': [-2.5, 3.4],
                     'compl':np.array([1-1j, 5]),
                     'dt'   :[pd.Timestamp('2013-01-02'), pd.Timestamp('2016-10-20')],
                     'td'   :[pd.Timestamp('2012-03-02')- pd.Timestamp('2016-10-20'),
                              pd.Timestamp('2010-07-12')- pd.Timestamp('2000-11-10')],
                     'prd'  :[pd.Period('2002-03','D'), pd.Period('2012-02-01', 'D')],
                     'intrv':pd.arrays.IntervalArray([pd.Interval(0, 0.1), pd.Interval(1, 5)]),
                     'str'  :['s1', 's2'],
                     'cat'  :[1, -1],
                     'obj'  :[[1,2,3], [5435,35,-52,14]]
                    })
test['cat'] = test['cat'].astype('category')
test
test.dtypes

# Testing types
types = list(test.columns)
df_types = pd.DataFrame(np.zeros((len(types),len(types)), dtype=bool),
                        index = ['is_'+el for el in types],
                        columns = types)
for col in test.columns:
    df_types.at['is_bool', col] = pd.api.types.is_bool_dtype(test[col])
    df_types.at['is_int' , col] = pd.api.types.is_integer_dtype(test[col])
    df_types.at['is_float',col] = pd.api.types.is_float_dtype(test[col])
    df_types.at['is_compl',col] = pd.api.types.is_complex_dtype(test[col])
    df_types.at['is_dt'  , col] = pd.api.types.is_datetime64_dtype(test[col])
    df_types.at['is_td'  , col] = pd.api.types.is_timedelta64_dtype(test[col])
    df_types.at['is_prd' , col] = pd.api.types.is_period_dtype(test[col])
    df_types.at['is_intrv',col] = pd.api.types.is_interval_dtype(test[col])
    df_types.at['is_str' , col] = pd.api.types.is_string_dtype(test[col])
    df_types.at['is_cat' , col] = pd.api.types.is_categorical_dtype(test[col])
    df_types.at['is_obj' , col] = pd.api.types.is_object_dtype(test[col])

# Styling func
def coloring(df):
    clr_g = 'color : green'
    clr_r = 'color : red'
    mask = ~np.logical_xor(df.values, np.eye(df.shape[0], dtype=bool))
    # OUTPUT
    return pd.DataFrame(np.where(mask, clr_g, clr_r),
                        index = df.index,
                        columns = df.columns)

# OUTPUT colored
df_types.style.apply(coloring, axis=None)

输出：

bool                  bool
int                  int64
float              float64
compl           complex128
dt          datetime64[ns]
td         timedelta64[ns]
prd              period[D]
intrv    interval[float64]
str                 object
cat               category
obj                 object

几乎一切都很好，但是这个测试代码产生了两个问题：

这里最奇怪的是在dtype上pd.api.types.is_string_dtype触发。category这是为什么？是否应该将其视为“预期”行为？
为什么is_string_dtype和 is_object_dtype对方开火？这有点出乎意料，因为即使在.dtypes这两种类型中都被标记为object，但如果有人逐步澄清它会更好。

Ps：额外的问题 - 当我认为 pandas 在构建新版本时应该通过其内部测试时我是对的吗（比如测试代码中的 df_types，但不是用“红色着色”而是“记录错误信息”）？

编辑：熊猫版0.24.2。

标签： pythonpandasdataframe

解决方案

这归结为is_string_dtype一个相当松散的检查，实现甚至有一个 TODO 注释以使其更加严格，链接到Issue #15585。

这个检查不严格的原因是因为没有一个专用的字符串 dtype pandas，而是字符串只是用objectdtype 存储的，它可以真正存储任何东西。因此，更严格的检查可能会引入性能开销。

要回答您的问题：

这是CategoricalDtype.kind设置为的结果'O'，这是松散的检查之一is_string_dtype。鉴于 TODO 注释，这可能会在未来发生变化，所以这不是我所依赖的。
由于字符串存储为objectdtype，因此触发字符串是有意义的is_object_dtype，我认为这种行为是可靠的，因为实现几乎肯定不会在不久的将来发生变化。dtype.kind由于对in的依赖，反之亦然is_string_dtype，它与上述分类具有相同的警告。
是的，pandas有一个测试套件将自动在各种 CI 服务上为每个创建的 PR 运行。测试套件包括与您正在做的类似的检查。

一个切线相关的注释要添加：有一个名为的库fletcher，它使用 Apache Arrow 以兼容的方式实现更原生的字符串类型pandas。它仍在开发中，目前可能不支持所有的字符串操作pandas。

python - 在 pandas DataFrame 中检查 dtype 时的注意事项

问题描述

解决方案

推荐阅读